機械学習で信頼性を高め、メンテナンスの成果を向上させる

AspenTechのMikeBrooks

推測ではなく、データ駆動型の真実を使用して障害防止を実行する必要があります。 マッキンゼーグローバルインスティテュートからの2012年のレポートによると、機械的故障とプロセスによる故障の組み合わせにより、世界の1.4兆ドルの製造市場の最大10％のコストが発生します。 。

企業はこの問題に対処し、最終的には計画外のダウンタイムを回避するために何百万ドルも費やしてきましたが、これまでは、摩耗と年齢に基づく障害にしか対処できませんでした。現在の手法では、問題を十分に早期に検出できず、計画外のダウンタイムの80％以上を引き起こす一見ランダムな障害の背後にある理由についての洞察が不足しています。これは、機械学習ソフトウェアを使用して機械の周りに「より広いネット」をキャストすることで、プロセスによって引き起こされる障害をキャプチャできる場所です。

計画外のダウンタイムを回避するために、企業は差し迫った障害の初期の指標を特定し、効果的に対応する必要があります。 AspenTech のシニアビジネスコンサルタントであるMikeBrooksは、従来のメンテナンス手法ではプロセスの逸脱によって引き起こされる障害を予測していません。 以前の Mtell 社長兼最高執行責任者。

それには、マシンとプロセスを組み合わせた独自のテクノロジーアプローチが必要になります。特に製造業や運輸業などの資産集約型産業向けです。適切なテクノロジーを導入することで、組織は、失敗を防ぎ、結果を変えるための十分な警告とともに、迫り来る劣化のパターンを感知できます。

機械学習ソフトウェアによるダウンタイムの予測

高度な機械学習ソフトウェアは、機器の故障を早期に特定する上で、すでに信じられないほどの成功を収めています。このようなソフトウェアはほぼ自律的であり、マシンやプロセスの周囲のセンサーによって生成されるデジタルデータのストリームから行動パターンを学習します。

この高度なテクノロジーは、自動的に最小限のリソースで、動作条件が変化したときに常に新しい信号パターンを学習して適応します。 1台のマシンで学習された障害シグネチャは、同じ状態が再発しないようにそのマシンに「接種」します。さらに、学習した署名は同様のマシンに転送され、同じ劣化条件の影響を受けないようにします。

たとえば、北米のエネルギー会社は、修理で最大100万ドルを失い、水中電動ポンプの繰り返しの故障から収益を失っていました。高度な機械学習アプリケーションは、18台のポンプの動作を学習しました。ソフトウェアは、環境事故を引き起こした1台のポンプの初期のケーシングリークを検出しました。残りのポンプに障害シグネチャを適用すると、早期の警告が提供され、繰り返しのインシデントを回避するための早期のアクションが可能になり、大きな問題を防ぐことができます。

別のケースでは、米国の23州で事業を展開している大手鉄道貨物会社が、機械学習を使用して、修理、罰金、収益の損失に何百万ドルもかかる長年の機関車エンジンの故障に対処しました。機械学習アプリケーションは、インラインでリアルタイムに動作し、非常に大規模な機関車に配備されて、エンジンの故障の非常に初期の指標について潤滑油データを調べます。

エンジンが低圧テストに合格している間、アプリケーションは劣化の兆候さえ検出しました。機関車を即時サービスに転用することで、「会社はコストのかかるダウンタイムと罰金を何百万ドルも節約できました」

機械学習ソフトウェアを実装する時期が来ました

企業は、従来の保守手法だけに頼ることはできなくなりましたが、データ駆動型ソリューションの展開に運用上の動作も組み込む必要があります。今日の必須事項とは、既存の資産から付加価値を引き出し、高度な機械学習プログラムを実装して迅速な改善を実現することを意味します。

適切なソフトウェアソリューションを使用すると、予測テクノロジーは資産の有効性を制限する条件を検出すると同時に、企業の収益性を維持し、利益率を向上させるための規範的なガイダンスを提供します。

このブログの作成者は、シニアビジネスコンサルタントであり、AspenTechであり、元Mtellの社長兼最高執行責任者であるMikeBrooksです。